【AiBase提要:】体验地址:https://top.aibase.com/tool/text2immersion
“I”:视频输入。GPT-4V对视频的理解还相当原始，因为它将视频视为一系列离散图像。减少信息冗余的最聪明方法是什么?学习目标应该是什么?下一帧预测与下一个单词预测有着明显的类比关系，但它是否是最佳的?如何与语言交错?如何引导机器人和人工智能的视频学习?业界尚未达成共识。
2024年将是实时扩散应用的一年。
看上去，这种「简单的美好」很容易实现，但为何其他游戏难以复刻?事实上，这背后有着多个结实的骨架在支撑着。